根据图片识人、识物，钉钉AI升级多模态能力

多模态、长文本与RPA（机器人流程自动化）技术，在AI应用的落地上又有新进展。

3月28日，钉钉AI助理迎来重要升级，正式上线图片理解、文档速读和工作流等产品能力。此次升级后，钉钉AI助理将拥有更强的视觉推理能力和长文本速读能力。在AI助理对话框，用户发送长文件、在线文档、网页链接、视频内容，即可进行多轮交互和智能问答。

资料显示，基于通义千问Qwen-VL-Max视觉理解模型，钉钉AI助理能够准确描述和识别图片信息，并进行信息推理、扩展创作、文字提取和翻译等；在收到用户发来的视频后，AI助理会根据视频内容生成字幕，提取关键词，并生成一份智能摘要，对于最高2GB的视频内容，仅需3分钟即可完成智能解读。

唤醒这些功能也并不复杂：用户在钉钉IM消息框或点击魔法棒按钮即可进入AI助理对话框。

从初步测试来看，钉钉新版AI助理，已经具备较为成熟的图片识别和智能对话能力。

如下图（左）所示，根据我们提供的照片，钉钉AI助理几乎瞬间认出了小猫的品种，并对该品种猫咪的特征和照片背景进行了简单描述；在没有任何文字提醒，以及照片内没有文字提示的情况下，钉钉AI助理准确识别了拍摄于上海迪士尼的城堡照片（如下图右）。

钉钉实测图片（下同）

多模态能力的加入，让AI助理更具实用性，例如翻译信息、提取文字等。

我们随手拍摄并上传了一张耳塞外包装（纯英文说明）图片。在识别产品品牌、功能等常规信息之外，钉钉AI助理在外包装明显破损的情况下，对英文说明进行了简单分析和翻译，并提取了关键词。令人感到意外的是，在密集的英文印刷中，AI识别出了模糊的NRR信息（降噪等级），并提示用户对此进行关注。

对于表情包和网络梗图，钉钉AI助理也展示出一定的识别和推理能力。

综合来看，基于通义千问Qwen-VL-Max视觉理解模型，钉钉AI助理能做的事情明显变多了。

公开资料显示，Qwen-VL-Max整体性能堪比GPT-4V和Gemini Ultra。在MMMU、MathVista等测评中超过业界所有开源模型，在文档分析（DocVQA）、中文图像相关（MM-Bench-CN）等任务上超越GPT-4V，位于世界第一梯队水平。

不过，AI助理也不是全能的。从实测来看，未来它仍有大量提升空间。例如对影视剧中穿戴墨镜的人物，以及身着古装服饰的人物，钉钉AI有时无法精准识别。此外，对于"一个月才几百块，你玩什么命啊"这样较为晦涩的网梗，AI的理解能力也有待继续完善。

更新后，AI助理强化了文档速读和视频速读能力：用户上传相关的文件和视频，即可得到一份内容总结。

值得一提的是，根据不同需要，AI助理能生成各细分领域的助手，用户还能通过链接等形式和他人分享。例如"我的歌曲助手"：用户只需输入音乐和唱法风格等"诉求"，在约5分钟左右的时间里，AI就会自动生成歌曲，并发送至指定邮箱--初步来看，这些歌曲和音乐其实都有不错的完成度。

据公开资料，此次更新后，钉钉对"工作流"玩法也进行了升级。用户可以通过工作流，对AI执行任务的流程进行拆解和编排，主动接管完成相应操作，并打通外部系统数据和API能力，例如搭建能自动写脚本并生成视频的创作AI助理等。为降低用户的使用门槛，钉钉官方还将提供多种工作流模板。